Google Gemini 4 Carbon: Лидер бенчмарков с минимальными галлюцинациями

Новый король бенчмарков

Google официально представила модель Gemini 4 Carbon, которая заняла первое место в актуальном рейтинге Artificial Analysis Intelligence Index V5. Модель обошла главного конкурента — Claude Opus 5.5 — всего на один балл, но достигла этого результата при более низкой стоимости запроса. Gemini 4 Carbon лидирует в четырех из девяти категорий оценки, демонстрируя сбалансированность между мощностью и эффективностью.

Ценовое позиционирование и эффективность

Ключевым преимуществом новой модели является ее положение на «Парето-фронте»: она предлагает высокий уровень интеллекта за относительно небольшие деньги. Стоимость задачи в бенчмарке составляет $7.76, что делает ее дешевле Claude Opus 5.5 и значительно доступнее некоторых предыдущих флагманов, хотя и дороже опенсорсных решений вроде DeepSeek.

Борьба с галлюцинациями: AA-Omniscience v1.1

Google делает особый акцент на надежности. В новом тесте AA-Omniscience v1.1, измеряющем способность модели к точному воспроизведению фактов и отсутствие вымысла, Gemini 4 Carbon набрала 54 балла (по шкале от -100 до +100). Это лучший результат среди всех доступных моделей, опережающий Claude Opus 5.5 на 6 пунктов. Однако абсолютные цифры показывают, что даже лучшие модели 2026 года далеки от идеальной точности: 54 балла означают, что модель все еще допускает ошибки, но делает это реже конкурентов.

Безопасность и стратегия внедрения

В отличие от агрессивных стратегий конкурентов, Google выбрала осторожный путь. Модель доступна через программу Fairwind для киберзащитников и проходит добровольное тестирование с участием правительства США. Google заявляет, что Gemini 4 Carbon на 26% реже проявляет «модельное превышение полномочий» (model overreach) и в два раза реже делает необоснованные утверждения по сравнению с Gemini 4 Argon. Если модель не может выполнить действие, она предпочитает отказаться от ответа, чем выдумывать решение.

Ограничения и контекст

Несмотря на лидерство в общем рейтинге, Gemini 4 Carbon не является универсальным чемпионом. В задачах программирования она уступает связке Claude Code + Opus 5.5, а в работе с знаниями проигрывает Grok 4.7 и Kimi K3.1 Pro. Тем не менее, для корпоративного сектора, где критичны безопасность, контроль расходов и снижение рисков галлюцинаций, эта модель может стать новым стандартом.

Бенчмарки

Жирным — лучший результат в строке. Источник цифр — официальная публикация.

Источник: Tom's Hardware ↗